Počet záznamů: 1
Blind Separation of Mixtures of Piecewise AR(1) Processes and Model Mismatch
- 1.
SYSNO ASEP 0447196 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název Blind Separation of Mixtures of Piecewise AR(1) Processes and Model Mismatch Tvůrce(i) Tichavský, Petr (UTIA-B) RID, ORCID
Šembera, Ondřej (UTIA-B)
Koldovský, Zbyněk (UTIA-B) RIDCelkový počet autorů 3 Zdroj.dok. Latent Variable Analysis and Signal Separation. - Heidelberg : Springer, 2015 / Vincent Emmanuel ; Yeredor Arie ; Koldovský Zbyněk ; Tichavský Petr - ISSN 0302-9743 - ISBN 978-3-319-22482-4 Rozsah stran s. 304-311 Poč.str. 8 s. Forma vydání Nosič - C Akce Latent Variable Analysis and Signal Separation 12th International Conference, LVA/ICA 2015 Datum konání 25.08.2015-28.08.2015 Místo konání Liberec Země CZ - Česká republika Typ akce WRD Jazyk dok. eng - angličtina Země vyd. CZ - Česká republika Klíč. slova Autoregressive processes ; Cramer-Rao bound ; Blind source separation Vědní obor RIV BI - Akustika a kmity CEP GA14-13713S GA ČR - Grantová agentura ČR Institucionální podpora UTIA-B - RVO:67985556 UT WOS 000363785500035 EID SCOPUS 84944711190 DOI 10.1007/978-3-319-22482-4_35 Anotace Modeling real-world acoustic signals and namely speech signals as piecewise stationary random processes is a possible approach to blind separation of linear mixtures of such signals. In this paper, the piecewise AR(1) modeling is studied and is compared to the more common piecewise AR(0) modeling, which is known under the names Block Gaussian SEParation (BGSEP) and Block Gaussian Likelihood (BGL). The separation based on the AR(0) modeling uses an approximate joint diagonalization (AJD) of covariance matrices of the mixture with lag 0, computed at epochs (intervals) of stationarity of the separated signals. The separation based on the AR(1) modeling uses the covariances of lag 0 and covariances of lag 1 jointly. For this model, we derive an approximate Cram´er-Rao lower bound on the separation accuracy for estimation based on the full set of the statistics (covariance matrices of lag 0 and lag 1) and covariance matrices with lag 0 only. The bounds show the condition when AR(1) modeling leads to significantly improved separation accuracy. Pracoviště Ústav teorie informace a automatizace Kontakt Markéta Votavová, votavova@utia.cas.cz, Tel.: 266 052 201. Rok sběru 2016
Počet záznamů: 1